1. Qué mueve la aguja en una tienda
En una tienda online hay cuatro palancas que mueven margen: cuántos visitantes compran, cuánto compran, cuánto cuesta atenderlos y cuánto cuesta conseguir la visita. La IA rinde cuando empuja una de esas cuatro con un número medible al lado; el resto es decoración.
El dato que mejor encuadra la conversación es viejo y sigue vigente: Baymard Institute documenta una tasa de abandono del carrito que promedia el 70% en los estudios que recopila. Siete de cada diez carritos no terminan en compra. Una parte de ese abandono es precio, otra es desconfianza y otra es fricción informativa: el comprador no encontró la medida, el plazo o la garantía. Ahí la IA tiene algo que hacer, y no es «escribir textos más lindos».
La escala del fenómeno también está medida. McKinsey estima que la IA generativa podría aportar unos US$310.000 millones de valor adicional al comercio minorista, concentrado en marketing e interacción con clientes. Traducido a una tienda: el valor no está en la tecnología, está en las horas y en las consultas que se resuelven sin fricción.
Un ejemplo que se repite en tiendas argentinas de indumentaria: el 60% de las consultas de WhatsApp son las mismas tres preguntas —talle, plazo de entrega y cambio—. Responderlas a mano consume medio puesto de trabajo. Responderlas con un agente conectado al stock real libera ese tiempo y, además, baja el tiempo de respuesta, que es la variable que más correlaciona con la venta en ese canal.
2. Los cuatro usos que se pagan solos
Ordenados por retorno en el primer trimestre, estos son los usos que en una tienda mediana devuelven la inversión. El quinto —recomendaciones personalizadas— queda afuera a propósito: requiere volumen de tráfico que la mayoría no tiene.
| Uso | Qué resuelve | Métrica que mueve | Esfuerzo |
|---|---|---|---|
| Atención de consultas | Talle, stock, plazo, estado del pedido y cambios | Contactos por venta, tiempo de respuesta | Medio: necesita stock y logística conectados |
| Fichas de producto | Descripciones con atributos reales y respuestas que el comprador busca | Conversión por ficha, sesiones orgánicas | Bajo: trabaja sobre el catálogo existente |
| Contenido de categoría | Guías de compra, comparativas y FAQ que capturan búsquedas | Tráfico orgánico, ventas por categoría | Medio: requiere criterio editorial |
| Control de margen | Detectar SKU con margen negativo o precio desactualizado | Margen bruto, SKU que se dejan de vender a pérdida | Bajo: cruza costo, precio y comisiones |
El cuarto es el que menos se menciona y el que más rápido cambia un resultado. Un relevamiento automático de costo, precio publicado y comisión de la pasarela encuentra, casi siempre, entre tres y diez SKU que se venden a pérdida o con margen de un dígito. Corregirlos no requiere IA en la vidriera: requiere que alguien mire el número todas las semanas.
3. Cómo se construye sobre el catálogo
Todo lo anterior se apoya en una sola pieza: el catálogo como fuente única de verdad. Si el stock vive en un sistema, el precio en una planilla y los atributos en la cabeza del que compra, ninguna automatización va a sostener el resultado más de un mes.
Con el catálogo ordenado, el orden de construcción es este. Primero la ficha: un pipeline que toma los atributos cargados y arma la descripción, los bullets de características y las preguntas frecuentes del producto. Segundo, la atención: el agente responde sobre ese mismo catálogo y sobre el estado del envío. Tercero, el contenido de categoría: guías que comparan productos del propio catálogo. Cuarto, el control de margen, que es una consulta programada, no un proyecto.
La ventaja de este orden es que cada paso mejora el anterior. La ficha genera el dato que el agente usa para responder; las preguntas reales que recibe el agente se convierten en la FAQ de la ficha; los SKU con más consultas indican qué guía de categoría conviene escribir. Es un circuito, no cuatro proyectos sueltos.
4. Un ejemplo trabajado con números
Tienda de accesorios con 320 SKU activos, 1.500 consultas de WhatsApp por mes y dos personas en atención. Supuestos explícitos: 6 minutos de manipulación promedio por consulta, costo cargado de US$9 por hora, y un 55% de las consultas son de stock, plazo o cambio.
El cálculo de atención: 1.500 × 6 = 9.000 minutos, o 150 horas al mes. Si el agente resuelve el 60% de esas consultas con datos reales, libera 90 horas, equivalentes a US$810 mensuales. El costo de modelo y plataforma a ese volumen ronda los US$120, lo que deja US$690 de margen. Con una implementación de US$5.000, el repago llega en poco más de siete meses.
El cálculo de fichas: 320 SKU × 25 minutos de redacción y carga = 133 horas. Con un pipeline que arma el borrador desde los atributos y una persona que revisa, cada ficha pasa a 15 minutos: 53 horas. Son 80 horas liberadas en una sola pasada, más el efecto de conversión que se mide por separado, comparando la ficha nueva contra la vieja durante 30 días.
El orden importa: la ficha primero porque no depende de integraciones, y la atención después porque necesita stock y logística. Empezar por el agente sin catálogo limpio es la forma más rápida de gastar el presupuesto en un chatbot que responde «consultá con un asesor».
¿Tenés una tienda y querés saber qué uso rinde primero? Escribime con el rubro y el volumen de consultas, y lo evaluamos.
Escribime un mail5. Qué no conviene automatizar
Hay tres usos que se venden bien y rinden mal en una tienda mediana. Vale la pena decirlo antes de que alguien firme.
- Recomendaciones personalizadas sin tráfico. Un motor de recomendación necesita volumen para aprender. Con 20.000 visitas mensuales, una selección manual por categoría funciona mejor y cuesta cero.
- Precios dinámicos automáticos. Sin reglas de margen y de acuerdos con proveedores, el sistema compite contra sí mismo y quema rentabilidad. El sistema sugiere; la persona aplica.
- Atención totalmente automática en reclamos. Un reclamo tiene carga emocional y consecuencias legales. El agente prepara la respuesta y la persona la envía, al menos durante los primeros meses.
También conviene descartar la idea de que la IA «genera tráfico». El tráfico se genera con contenido que responde búsquedas reales y con pauta bien medida. La IA acelera la producción de ese contenido; no reemplaza la estrategia.
6. Cómo se mide el resultado
Tres números alcanzan, y los tres se miden antes de empezar: conversión por categoría, contactos de atención por venta y margen bruto por SKU. Si el proyecto no mueve ninguno, no funcionó, aunque el equipo esté contento con las descripciones nuevas.
| Métrica | Cómo se lee | Señal de que funcionó |
|---|---|---|
| Conversión por categoría | Compras sobre visitas en la categoría, en períodos comparables | Sube en las categorías con ficha nueva, no en el total |
| Contactos por venta | Consultas recibidas divididas por pedidos | Baja sin que caiga la venta |
| Margen bruto por SKU | Precio menos costo, comisiones y envío | Desaparecen los SKU con margen negativo |
La trampa más común es medir actividad: cantidad de fichas generadas, cantidad de mensajes respondidos, cantidad de contenido publicado. Son indicadores de esfuerzo. El resultado se ve en los tres de arriba, y solo tiene sentido compararlo contra la línea base del mes anterior.
7. La prueba: catálogo y contenido automatizados
En el ecosistema que opero, este patrón ya corrió sobre un rubro completo. Un relevamiento de mercado de blanquería generado por agentes: se recorrieron las fuentes, se comparó la oferta por producto y se armó el análisis sin carga manual. El mismo esquema, aplicado a un catálogo propio, produce las fichas y el contenido de categoría que describí arriba.
El segundo caso son las herramientas internas construidas por agentes —generación de piezas, auditoría de páginas, análisis de datos de tienda— que hoy se usan a diario y no tienen equipo detrás. Cada una sigue la misma lógica: un dato de entrada confiable, un proceso con pasos definidos y un control humano donde el error cuesta.
Lo replicable no es la herramienta: es el orden. Catálogo primero, ficha después, atención cuando el dato está conectado, contenido cuando hay algo que decir. En una tienda mediana, ese orden es la diferencia entre un proyecto que se mide en margen y uno que se mide en entusiasmo.
Fuentes
- Baymard Institute — Cart Abandonment Rate (promedio documentado de 70,19% sobre 50 estudios, consultado en noviembre de 2026).
- McKinsey — The economic potential of generative AI (junio de 2023): unos US$310.000 millones de valor adicional en retail.
- Gartner — Agentic AI resolverá el 80% de las consultas comunes hacia 2029 (marzo de 2025).
- Wikipedia — Comercio electrónico (definiciones y modalidades).
- Stanford HAI — AI Index Report 2025 (abril de 2025): adopción de IA por organizaciones.
Preguntas frecuentes
¿Sirve para una tienda chica, de menos de 500 productos?
Sí, y el primer uso no es el chatbot: es la ficha de producto. Una tienda con 300 SKU suele tener descripciones copiadas del fabricante y sin datos que el comprador busca. Un pipeline que genera la ficha con los atributos reales mejora la conversión y el posicionamiento con la misma inversión.
¿Cuánto cuesta poner un agente de atención?
El costo mensual es bajo —decenas de dólares por modelo y plataforma a volúmenes de hasta dos mil consultas— pero la inversión real está en conectarlo al stock y a los envíos. Si esas dos fuentes no están disponibles por API, el proyecto se encarece y conviene empezar por ahí.
¿La IA puede escribir las descripciones sin inventar cosas?
Puede, si trabaja sobre datos reales del producto y no sobre el nombre del modelo. La regla es que cada afirmación de la ficha salga de un atributo cargado: medidas, materiales, compatibilidades. Lo que no está en la base no se escribe.
¿Conviene usar IA para los precios?
Para sugerir sí; para aplicar sin revisión, no. El sistema puede comparar competencia y detectar márgenes negativos, pero la decisión de precio toca posicionamiento y acuerdos con proveedores, y eso no se delega a un modelo.
¿Cómo sé si funcionó?
Con tres números medidos antes y después: tasa de conversión por categoría, contactos de atención por venta y margen bruto por SKU. Si mejoró la cantidad de contenido pero no se movió ninguno de los tres, el proyecto fue de imagen, no de negocio.